排序方式: 共有20条查询结果,搜索用时 15 毫秒
1.
2.
3.
在岩土工程设计中,准确地衡量土层参数的空间变异性决定了设计结构的可靠性和经济性,土参数的自相关距离是反映其空间变异性的一个重要指标。目前对于自相关距离与结构可靠性之间的关系的研究还很不完善。本文以单桩可靠性设计为例,选取工程场地的静力触探试验数据,引入随机场理论描述侧摩阻力和锥尖阻力的分布特征,利用递推平均法计算各地基土层侧摩阻力和锥尖阻力的自相关距离,在描述土层侧摩阻力和锥尖阻力的分布特征时考虑了自相关距离的影响,进一步结合蒙特卡洛法计算单桩的可靠指标。结果表明土参数取值考虑自相关距离的影响后,降低了土参数分布的离散程度,计算的单桩可靠指标更高。在保证桩基安全度的前提下,设计结果能够降低工程成本。 相似文献
4.
针对砂土液化判别中影响因素与砂土状态间映射关系的不确定性及模糊性等问题,在邻域粗糙集(Neighborhood Rough Set, NRS)因素约简的基础上,利用多策略融合的改进麻雀搜索算法(Improved Sparrow Search Algorithm, ISSA)优化支持向量机(Support Vector Machine, SVM)参数C和g,构建了SVM砂土液化判别模型。以吉林松原地区的42组实例作为总体样本集,其中35组作为训练集,另外7组作为测试集,利用邻域粗糙集对9个影响因素约简得到4个因素,然后输入ISSA-SVM模型进行预测,并进行了约简得到的因素敏感性分析。结果表明:因素约简剔除了冗余属性,降低了模型复杂度;ISSA算法具有极强的探索性、收敛性和局部逃逸能力;相比于其他模型,NRS-ISSA-SVM砂土液化判别模型精度更高,泛化能力更强;建议要判别砂土的液化状态,需要准确查明水位埋深、地震烈度、标准贯入击数,非液化土层厚度这4个因素,尤其是前三个因素。通过易获取的影响因素建立NRS-ISSA-SVM砂土液化判别模型,不仅可准确地判断该区域其余未知点的砂土状态,... 相似文献
5.
6.
基于贝叶斯正则化改进BP神经网络的页岩气有机碳含量预测模型 总被引:2,自引:0,他引:2
页岩气总有机碳(TOC)含量是评价岩性气藏的关键指标,受复杂地质及岩芯采集等多种因素的影响,常规室内测试分析获得的TOC含量的数据有限且结果有失准确。为合理准确预测页岩气TOC含量,本文首先通过对页岩气储层TOC含量测井资料综合分析选取8条测井曲线,并结合主成分分析法(Principal Component Analysis,PCA)提取四个主成分;其次基于贝叶斯正则化(Bayesian Regularization)改进的BP神经网络方法建立页岩气TOC含量预测的BR-BP模型;最后利用该模型对研究区A区页岩气TOC含量进行预测,并与常规的LM-BP神经网络模型的预测结果进行对比。结果表明:BR-BP模型有较强的非线性拟合能力,能够真实地反映出页岩气TOC含量与各测井参数之间的非线性关系,其模型预测结果与实际值基本吻合,与常规的LM-BP神经网络模型相比,其数据敏感性增强,预测精度有所提高,该研究方法具有一定的理论意义和参考价值,为我国TOC含量预测提供了一种新的技术方法和手段。 相似文献
7.
选取了具有不同峰值加速度、频谱和持时的6组地震动加速度时程作为输入,基于有限元数值模拟方法建立了二维均质边坡有限元模型,模拟分析了不同地震动作用下边坡模型的加速度和位移响应,揭示了地震动峰值加速度、频谱和持时对土坡地震响应的影响作用及其规律.研究结果显示:地震动峰值加速度、频谱和持时对土坡地震响应均有显著的影响,其中,边坡坡脚处和坡肩处的变形位移随地震动峰值加速度、特征周期和持时的增大而增大,坡体临空面各点的峰值加速度放大系数呈现随输入地震动特征周期的增大而增大、随输入地震动峰值加速度的增大而减小的规律.研究结果可为地震作用下边坡稳定性设计及防治研究提供参考. 相似文献
8.
针对影响地震伤亡人数的评价指标数量较多且各指标之间存在着复杂的非线性关系,运用机器学习理论,提出了基于支持向量机(Support Vector Machine)的地震伤亡人数预测模型;首先利用主成分分析法(Principle Component Analysis)对7个地震死亡人数影响指标进行数据降维,然后对提取出的主成分进行归一化处理,将归一化的主成分数据作为预测模型的输入向量,将地震伤亡人数作为预测模型的输出向量;以27个地震伤亡实例作为学习样本进行训练,运用网格搜索法(Grid Search Method)寻优获得最优支持向量机参数,最终建立基于PCA-GSM-SVM的地震死亡人数预测模型,并对5组样本进行死亡人数预测。结果表明:PCA-GSM-SVM模型的最小误差、最大误差和平均误差分别为5.12%、15.7%和9.16%,其平均误差相比于GSM-SVM模型和SVM模型分别降低6.51%和7.11%,因此PCA-GSM-SVM模型预测精度较高,可在工程实际中推广。 相似文献
9.
10.